<![CDATA[Bahasa Palembang merupakan bahasa pengantar utama di Sumatera Selatan, namun termasuk dalam kategori low-resource language yang minim sumber daya digital. Kondisi ini menyebabkan model pemrosesan teks standar sering menghadapi tantangan generalisasi akibat karakteristik morfologi yang unik. Penelitian ini bertujuan mengklasifikasikan emosi publik pada media sosial terkait wilayah Palembang ke dalam tujuh kategori multikelas (senang, sedih, marah, takut, jijik, terkejut, dan netral) menggunakan pendekatan Machine Learning. Dataset terdiri dari 9.125 komentar yang dikumpulkan melalui web scraping. Proses pelabelan data menggunakan metode rule-based leksikon untuk mempercepat anotasi, meskipun memiliki keterbatasan dalam menangkap nuansa konteks bahasa yang kompleks. Selanjutnya, data diekstraksi menggunakan fitur TF-IDF untuk membandingkan kinerja algoritma Support Vector Machine (SVM) dan Naive Bayes. Hasil evaluasi menunjukkan bahwa SVM mengungguli Naive Bayes secara signifikan dengan akurasi 75% dan F1-score 73%. Sebaliknya, Naive Bayes hanya mencapai akurasi 65% dengan F1-score 58% dan menunjukkan kinerja rendah pada deteksi kelas minoritas akibat imbalanced dataset. Disimpulkan bahwa SVM lebih efektif dan robust dalam menangani data teks berdimensi tinggi, sehingga potensial digunakan sebagai alat pemantauan aspirasi publik yang akurat bagi pemerintah daerah.]]>
Copyrights © 2026
